20 dez 2022
13:30 Defesa de Mestrado Auditório do IC3
Tema
Uma Análise Comparativa de Métodos de Inteligência Artificial Explicáveis para Classificação de Lesões de Pele
Aluno
Rosa Yuliana Gabriela Paccotacya Yanque
Orientador / Docente
Sandra Eliza Fontes de Avila
Breve resumo
Deep Learning tem mostrado excelentes resultados em tarefas de visão computacional, e a área de saúde não é exceção. Deep Learning (DL) pode auxiliar os dermatologistas no diagnóstico precoce de câncer de pele, o que pode salvar muitas vidas. No entanto, não há uma maneira direta de mapear o processo de tomada de decisão dos modelos DL. Para previsões de câncer de pele, não basta ter uma boa precisão; é necessário entender o comportamento do modelo para implementá-lo clinicamente e obter previsões confiáveis. Neste trabalho, propomos desideratos para explicações em modelos de lesões de pele e apresentamos um estudo sobre como a eXplainable Artificial Intelligence está sendo usada atualmente para lesões de pele. Analisamos sete métodos (quatro baseados em atribuição de pixels e três baseados em conceitos de alto nível): Grad-CAM, Score-CAM, LIME, SHAP, ACE, ICE, CME para duas redes neurais profundas, Inception-v4 e ResNet-50, treinadas no International Skin Imaging Collaboration Archive (ISIC). Nossos resultados indicam que, embora essas técnicas mostrem efetivamente o que o modelo está procurando para fazer sua previsão, as explicações obtidas não são completas o suficiente para obter transparência nos modelos de lesão de pele.
Banca examinadora
Titulares:
| Sandra Eliza Fontes de Avila | IC/UNICAMP |
| Agma Juci Machado Traina | ICMC/USP |
| Emely Pujólli da Silva | IC/UNICAMP |
Suplentes:
| Marcos Medeiros Raimundo | IC/UNICAMP |
| Lívia Couto Ruback Rodrigues | DCOMP/UFRRJ |